谱估计作业.docVIP

基于AR模型和ESPRIT算法的谱估计 性能研究与仿真 学 号： 姓 名：  基于AR模型和ESPRIT算法的谱估计 性能研究与仿真 摘要： 本文AR模型算法和ESPRIT算法在谱估计中的应用，分析了两种算法的估计性能，并针对在不同噪声功率下的情况，对两种算法的估计性能进行了仿真与比较。 关键词：谱估计 AR模型 ESPRIT算法 引言 所谓谱估计或功率谱估值，就是用已观测到的一定数量的样本数据估计一个平稳随机信号的功率谱。功率谱估计分为两大类，一类是非参数化方法(又叫经典谱估计法)，另一类是参数化方法(又叫模型法估计)。非参数化方法原理简单,便于实现，但估计方差大，谱分辨率差，常用的有周期图法。参数化方法在谱分辨率和谱真实性方面比经典法有所改善，但改善的程度决定于所选模型的恰当性和模型参数的估计质量。 算法分析 AR模型法 任何具有功率谱密度的随机信号都可以看成由白噪声w(n)激励一物理网络所形成，可写成： (1.1) 该形式称为p阶自回归模型，简称AR模型。将其进行z变换可得AR模型的传递函数为： (1.2) 自回归模型的H(z)只有极点，没有除原点以外的零点，因此又称为全极点型。当用自回归模型时，功率谱密度的表达式写成： (1.3) 式中：为白噪声的功率谱密度。因此只要求解出及所有ak的值，就可以得到随机信号x(n)的功率谱。 Burg算法是估计AR模型参数的主要方法，其不需要估计过程的自相关函数,，而是按照Levinson 递推公式直接从序列值递推计算预测误差和反射系数(递推估计反射系数时是使各阶的平均预测误差功率最小)，最后得到模型系。计算出功率谱。其优点是分辨率高，适于短序列。 ESPRIT算法 旋转不变子空间(ESPRIT)算法是空间谱估计中的典型算法。常见的ESPRIT算法有几种形式：最小二乘法(LS)、总体最小二乘法(TLS)、约束TLS、结构TLS等，其中最常用的是LS和TLS算法。 ESPRIT算法最基本的假设是存在两个完全相同的子阵，且两个子阵的间距是已知的。由于两个子阵的结构完全相同，且子阵的阵元数为m。对于同一信号而言，两个子阵的输出只有一个相位差。下面假设第一个子阵的接收数据为X1；第二个子阵的接收数据为X2，N1是均值为零、方差为 的高斯白噪声；N2是均值为零、方差为的高斯白噪声。 (1.4) 子阵1的阵列流型A1=A，子阵2的阵列流型A2= A。，只要得到两个子阵间的旋转不变关系，就可以方便得到关于信号到达角的信息。下面的任务就是得到两个子阵间的关系。先将两个子阵的模型进行合并，即 (1.5) 在理想条件下，可得上式的协方差矩阵： (1.6) 对(1.6)进行特征值分解，存在一个唯一的非奇异矩阵，使得 (1.7) 显然上述的结构对两个子阵都成立，所以有： (1.8) 如果阵列流型是满秩矩阵，则可以得到 (1.9) 所以(1.9)中的特征值组成的对角阵一定等于，而矩阵T的各列就是矩阵的特征矢量。所以一旦得到上述的旋转不变关系矩阵，就可以得到信号的入射角度。这正是ESPRIT中的核心关系。 仿真分析 对于噪声中的正弦信号，通过AR模型法和ESPRIT算法进行频率估计，信号源是： ， z(n)是实白噪声，是高斯的，方差为。使用128个数据样本进行估计。 AR模型法 独立运行程序20次，记录AR模型法的估计值，并利用20次估计值，近似计算频率估计的均值和方差。 表 1 AR模型20次实验结果 20次实验均值（mean） 0.055853715 0.307774288 0.314209032 20次实验方差（var） 5.83883E-05 0.000146131 0.000423957 图 1 取均值以后的一次变换结果 逐渐增加噪声功率，噪声功率按的步长变化至，仿真各频率的估计性能，得到的仿真结果如下： 表 2 AR模型在不同噪声功率下的估计性能 均值 方差 f1 f2 f3 ESPRIT算法 独立运行程序20次，记录ESPRIT算法的估计值，并利用20次估计值，近似计算频率估计的均值和方差。 表 3 ESPRIT算法20次实验结果 20次实验均值（mean） 0.050134023 0.299517882 0.3045138